[发明专利]一种基于密集连接深度网络的目标检测方法

说明书

本发明公开了一种基于密集连接深度网络的目标检测方法，属于目标检测技术领域。本发明的基于密集连接深度网络的目标检测的方法将密集连接方式融合进yolo‑tiny网络，增加其卷积层，改进特征提取网络。改进网络首先将输入图像归一化为固定大小，然后使用DenseBlock模块提取、融合各通道的特征，接着在不同的尺度上使用不同的先验框进行预测，完成目标的分类和定位。改进后的算法相比于原算法，精度提高了15％，且仍能达到实时检测的要求；模型大小也仅有44.7MB，能够满足实际使用中对于内存占用以及实时性的要求。

技术领域

本发明涉及一种基于密集连接深度网络的目标检测方法，属于目标检测技术领域。

背景技术

当前基于深度学习的目标检测算法有很多，例如Faster Rcnn(Faster Region-based Convolutional Network)，SSD(Single Shot MultiBox Detector)，R-fcn(Region-based Fully Convolutional Networks)，yolo(You Only Look Once)，yolo-tiny(YouOnly Look Once-Tiny)等。但是这些算法仍存在许多不足，如Faster Rcnn、R-fcn、SSD等算法存在着检测速度慢，系统配置环境复杂等问题，yolov3算法检测速度较快，但模型占用内存大，而yolov3-tiny则存在着检测精度过低的问题。

当前yolov3-tiny检测网络虽然检测速度快，但存在着各种问题，如检测定位不准确，检测效果差，漏检、误检情况严重。目前有文献将残差网络结构融合进yolov3-tiny中，但检测精度仅为60.92％。

密集连接卷积神经网络(Gao Huang，Zhuang Li，Laurens van der Maaten，Kilian Q.Weinberger.Densely Connected Convolutional Networks[C].CVPR，2017.DOI：10.1109/CVPR.2017.243)是一个独立且完整的检测网络，但该网络由于不同卷积层输出参数的设置以及全连接层的存在，使得网络的计算量急剧增大，需要消耗大量的显存。这个问题限制了该网络在实际生产中的应用。

发明内容

为了解决上述至少一个问题，本发明提供了一种基于密集连接深度网络的目标检测的方法，通过对yolov3-tiny算法的网络结构做出改进，达到了检测精度高，速率快且模型占用内存较小的效果，能够满足显示使用中对实时性的要求。

本发明的基于密集连接深度网络的目标检测方法，将密集连接方式融进卷积神经网络中，通过级联每个卷积层的输出，极致利用提取得到的每个特征。本发明不仅提高了检测网络的特征利用率和信息流动，同时也强化了特征传播，提高了检测效果。

本发明的第一个目的是提供一种基于密集连接深度网络的目标检测方法，包括以下步骤：

步骤(1)：读入Pascal VOC数据集中的图像数据并提取目标数据特征；

步骤(2)：训练网络模型；

步骤(3)：进行目标检测。

可选的，包括以下步骤：

步骤(1)：读入Pascal VOC数据集中的图像数据并提取目标数据特征：网络读取输入的图像数据，首先将其分辨率归一化为416*416，然后通过一系列卷积层以及密集连接模块Dense Block提取、融合各通道的特征；

步骤(2)：训练网络模型：设置网络batch为64，重复迭代训练得到检测模型；